- 博客(4)
- 资源 (2)
- 收藏
- 关注
原创 13G深度学习垃圾分类数据分享,技术学习交流群
各位同学、朋友我是某985院校的计算机硕士,也是一名图像算法工程师。之前在工作中接触过垃圾分类场景的项目,收集了图像8万多张、总数据量13G+的数据。我经常看到有的同学想入门而没有数据,有的同学身边是没有讨论问题的同学。这里我和我的朋友,一起发起了**一个以垃圾分类为主题,涉及图像分类、目标检测、边缘硬件设备(英达伟、树莓派)的技术学习交流群,**目前已经有80多个不同高校的小伙伴加入,有多名工训赛比赛的TOP5选手、也有做华为垃圾分类竞赛的同学、以及做毕业设计的同学。学习群的价值:提供了一份
2021-05-06 11:02:04 906 3
原创 【图像分类】ShuffleNet: 一个极端高效的移动端卷积神经网络
码字不易,欢迎点赞。文章同步发布在公众号:CV前沿在上一篇文章中,我们已经介绍了一种针对移动端和嵌入式设备的卷积神经网络—-MobileNet。今天我们要介绍的是旷视科技在2017年12月份提出的更加高效的移动端卷积神经网络—-ShuffleNet。在ShuffleNet网络中使用了两个创新的操作:pointwise group convolution(逐点组卷积)channle shuffle(通道混洗)概要来说,逐点组卷积是降低了逐点卷积(也即是1*1卷积)的计算复杂度; 同时为了
2021-05-19 12:25:42 1043 1
原创 【图像分类】MobileNet: 一点创新、两个超参
MobileNet是2017年由Google提出的一个应用于移动端和嵌入式的卷积神经网络。它的主要应用场景包括有智能手机、无人机、机器人、自动驾驶、增强现实等等。在这之前,研究者更多还是关注于精度的提升,模型也是朝着深度更深、结构更复杂的方向发展。从最初12年提出的8层的AlexNet、再到14年各领风骚的19层的VGG和22层的GoogLeNet、再到15年何凯明大神提出的152层的ResNet。可见,深度是越来越深,精度是越来越高。但与此同时,这些网络的参数和计算量也是足够的大,很难在移动端和嵌入.
2021-05-12 11:26:51 1095 1
原创 【图像分类】移动端网络中最常用的几种卷积操作
随着AlexNet 在2012年ImageNet 竞赛中赢得冠军之后,卷积神经网络在计算机视觉领域已开始变得无处不在。一个大的研究趋势是研究更深、更复杂的网络,从而实现更高的准确率。但这些提升准确率的改进并不一定会使网络在大小和速度上更加高效。然而在许多现实世界的应用中,比如智能手机、机器人、无人机、自动驾驶、增强现实等,图像识别任务需要在计算资源受限的平台上高效的执行。为此,出现了很多研究针对移动端与嵌入式设备上应用的小型高效的网络,比如MobileNetV1、MobileNetV2、ShuffleN
2021-05-06 09:54:56 354
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人